热线电话：13121318867

登录
首页精彩阅读数据工作的科普总结
数据工作的科普总结
2017-11-28
收藏

数据工作的科普总结

首先说，这是一篇关于数据工作的科普文字，是我从事数据工作三年的一个小总结，因为不时会有人咨询我一些小问题，于是我大致整理了一下，主要是说了数据工作到底都包含了什么，其中关于数据仓库的我没有涉及，这里不会多讲，还得用教主的csdn名声帮转。

一、数据获取
1.爬虫：这个不用多解释了，就是从网页上爬取数据，比如爬取一个京东的三级品类的数据、爬拉勾网的职位信息数据。。。这个主要是网络编程，细节点主要是header、cookie、get/post请求、失败重试、验证码、重定向等，总之除了把数据从网页上抽取出来就是如何伪装自己是一个“人”在请求而不是机器自动发送的请求。至于破解验证码，简单的ocr能搞定(就是慢)，自己写一个图像识别的算法也可以去尝试破解，实在不济就想办法绕过，比如访问wap版的url，我当年爬微博数据就这么搞过。
2.业务数据积累
业务数据库mysql、oracle之类
基于hadoop的数据仓库
埋点：这个概念很简单，就是在网页或者手机app中嵌入js脚本，将用户数据返回给服务器做记录，比如用户在什么时间在哪个网页点击了什么链接、图片等信息，一般要包含用户的设备号、用户userid、时间、校验码等，常见方法是js向服务器发送一个get或者post请求，请求中带着各种要记录的参数和值，请求打到nginx服务器上，由nginx写成日志。目前我们用的比较多的是openresty版本的nginx，里面有很多插件，支持写入消息队列等操作。
二、数据分析
数据分析，这是个见仁见智的过程，一方面要有处理数据的代码工程能力，另一方面又要有统计基础，比如能挖掘出什么变量有很强的特性(百分比、熵、分布规律等)
sql：这个sql可能就不同于传统的sql了。因为从上一步数据获取得到的数据，很多可能是不规则的，比如它可能是一个json串，这种情况传统sql处理不了，mongodb或者一些非关系型数据库就派上用场了，但是nosql的语法跟传统sql会有很大差异。
python：pandas跟dataframe是python处理数据的两个好工具
R
excel
三、建模
在我经历过的实际项目中，推荐、概率预估、分类、排序应该是四个主要的项目核心。
推荐?这个应该不比多说了吧，各个电商里面的“猜你喜欢”、今日头条网易新闻的新闻推送、微博段子等很多都是推荐的结果。推荐可以做策略，也可以走算法模型，策略就是如果我知道你是个胖子，我就给你推送大号的衣服，我知道你是个单身未婚女性，我就不会给你推送剃须刀。
概率预估：天气预报
分类：记得我毕业入职京东的第一个项目，就是做文本分类，当时目的是监控整个互联网的京东产品舆情情况。目标很简单，就是两个分类，好评还是差评。我们写爬虫定时抓取各大新闻网站、微博、知乎、百度贴吧等众多社交网站的文本，然后走了naive bayes，将新闻、微博等舆论自动判断为好评还是差评。当时效果还不错，fscore是0.8左右
排序：一个商品列表，商品展示的先后顺序对用户体验以及GMV会有很大影响，那么如何对商品展示顺序进行排序，这就是一个很深的水域了(没做过，不敢多说)。
算法：我很难几句话说清楚应该如何来做或者会用到哪些算法，因为这个是一个经验上的过程。比如变量很多的时候，可以用PCA去降维、比如在LR中可以加lasso去削弱一些特征的权重、比如在树模型中去修改正负样本权重，样本欠采样重采样。
当一个问题线性可分时
什么是线性可分?假如有两个类别对和错，在平面直角坐标系上画一条y=x的函数图像，线上面的是对，线下面的是错，能明确看出来的就是线性可分，不能明确看出来的就不是线性可分，至于什么是明确能看出来，这个需要看指标，比如准确率、召回率、F1-score
线性不可分时，听说svm也曾经叱咤风云一阵子。。。
什么是线性不可分?没时间解释了。。。
线性不可分，因为svm的核函数可以把原始分布映射到更高维度，就好比把郭敬明跟姚明放在一起俯视来看就是两个点(脑袋)无法做划分，如果慢慢从空中落到地面上，你会发现二人还有海拔的差异。
svm加核函数只是处理线性不可分的一种方法，其他的还有很多，比如树状的模型(ID3，C45，random forest，adaboost，gbdt。。。详情可以看《统计学习方法》的P?~P?)
从朴素到贝叶斯网络
不怎么好用的LDA(不是线性判别分析)，可能是我的应用场景不太合适吧
神经网络相关，太多了，我还没有深入去玩儿这个东西，现在常见的CNN、RNN、ANN、GAN等等。。。(没有调查，不敢发言)
其他的一些算法也会出现在不同场合，比如隐马尔可夫、条件随机场(在做本科毕设做分词器的时候折腾过)
推荐系统里所谓“矩阵分解大法好”：SVD分解，LU分解等
算法的工具包
• python的sklearn
• xgboost
• TensorFlow
• lightgbm
• libsvm——svm的一个工具包
• fasttext——facebook的文本算法包
• svdfeature——矩阵分解
R的工具包
思想上的东西：做算法除了了解相关算法，还要有很大的脑洞，以及很多算法之间的融合，比如gbdt跟逻辑回归的融合，或者其他一些ensemble方法
四、工程化
数据接入
实际工程中，数据接入到项目里，基本就是实时接入跟离线接入两条路线，
实时接入：(flume/binlog)-(kafka/metaq)-(storm/kafkastream)-(redis/hbase)，括号里都是同一个东西，斜线表示或
离线接入：我们主要用的是把hive数据写入到redis
封装服务
bottle/django，这是两个python的web框架，前者比后者轻量
为什么要封装服务，因为训练好的一个算法要实时向外提供数据服务啊



CDA数据分析师考试相关入口一览（建议收藏）：

▷ 想报名CDA认证考试，点击>>>   “CDA报名” 了解CDA考试详情；

▷ 想加入CDA考试题库，点击>>> “CDA题库” 了解CDA考试详情；

▷ 想学习CDA考试教材，点击>>> “CDA教材” 了解CDA考试详情；

▷ 想查询CDA考试成绩，点击>>> “CDA成绩” 了解CDA考试详情；

▷ 想了解CDA考试含金量，点击>>> “CDA含金量” 了解CDA考试详情；

▷ 想获取CDA考试时间/费用/条件/大纲/通过率，点击 >>>“CDA考试官网” 了解CDA考试详情；

python 数据仓库 数据分析 召回率 降维 flume 非关系型数据库 神经网络

数据分析咨询请扫描二维码

上一篇Excel-漏斗图分析（差异分析）
下一篇大数据分析工程师薪资水平
CDA考试动态
CDA报考指南
热门栏目
最新资讯
更多
Copyright © 2015-present 北京国富如荷网络科技有限公司 All Rights Reserved.
京ICP备11001960号-9   京公网安备 11010802034615号   经营许可证编号：京B2-20210330
客服在线
立即咨询